GRAG: Graph Retrieval-Augmented Generation

Retrieval-Augmented Generation（RAG）虽然通过生成式语言模型提高了响应的准确性和相关性，但在需要考虑文本和拓扑信息的基于图的场景中表现不佳。朴素的RAG方法固有地忽略了文本图的结构复杂性，在生成过程中产生了重要的差距。为了解决这一挑战，我们引入了$\textbf{图检索增强生成（GRAG）}$，通过强调子图结构的重要性，显著增强了检索和生成过程。与仅关注基于文本实体检索的RAG方法不同，GRAG保持对图拓扑结构的敏锐意识，这对于生成上下文和事实上一致的响应至关重要。我们的GRAG方法包括四个主要阶段：$k$-hop自我图的索引、图检索、软修剪以减轻不相关实体的影响以及使用修剪的文本子图进行生成。GRAG的核心工作流程——检索文本子图，然后进行软修剪——有效地识别相关的子图结构，同时避免了NP难问题的穷举子图搜索的计算不可行性。此外，我们提出了一种新的提示策略，实现了从文本子图到分层文本描述的无损转换。在图多跳推理基准测试上进行的大量实验表明，在需要在文本图上进行多跳推理的场景中，我们的GRAG方法在有效减轻幻觉的同时，显著优于当前最先进的RAG方法。

GRAG试图解决在图形上下文中，RAG方法无法处理文本和拓扑信息的问题，导致生成过程中存在重要的差距。

GRAG通过强调子图结构的重要性，显著增强了检索和生成过程，不仅关注基于文本的实体检索，还维护了对图形拓扑的敏锐意识。

GRAG的核心工作流程是检索文本子图，然后进行软修剪以减轻不相关实体的影响，最后使用修剪后的文本子图进行生成。该方法有效地识别了相关的子图结构，同时避免了NP-hard的穷举子图搜索的计算困难。此外，论文提出了一种新的提示策略，实现了从文本子图到分层文本描述的无损转换。实验结果表明，在需要对文本图进行多跳推理的场景中，GRAG方法显著优于当前最先进的RAG方法，并有效地减轻了幻觉。

在图神经网络领域，还有一些相关的研究，例如GPT、BERT等基于Transformer的模型，以及GNN、GraphSAGE等基于图的模型。